单层感知器:合并偏差
单层感知器（Single-layer Perceptron）是一种最简单的神经网络模型，也是人工神经网络的基本组成单元之一。它由一个输入层和一个输出层组成，每个输入节点与输出节点之间都有权重连接。
合并偏差（Merge Bias）是指在单层感知器中将偏差（Bias）与输入节点进行加权求和，并通过激活函数进行非线性变换，得到输出结果的过程。
单层感知器的优势在于其简单性和易于理解，适用于解决一些线性可分的问题。它可以用于二分类问题，如判断一张图片是猫还是狗。单层感知器的训练算法是基于梯度下降的，通过不断调整权重和偏差，使得感知器的输出结果与期望结果尽可能接近。
腾讯云提供了一系列与神经网络相关的产品和服务，如腾讯云AI Lab、腾讯云机器学习平台等，可以帮助开发者快速构建和部署神经网络模型。具体产品介绍和相关链接可以参考腾讯云官方网站的相关页面。
相关·内容
1回答
我对基本的感知器有疑问。基本感知器可以对R^2或R^3中的点进行分类吗？有人能证明这是合理的吗？注: R^n是指n维欧几里德空间。
浏览 0提问于2020-07-05得票数 0
如果我在这里错了，请纠正我，但是可以使用1层网络实现最少3门(NAND，OR)->(和)的XOR函数。但是，是否有可能正确地训练网络，让每个感知器只使用一个阈值激活函数和感知器训练规则？即使用感知器学习规则，而不是增量学习规则。
到目前为止，理论上我唯一的解决方案是在形成实际网络之前单独训练每个感知器来完成它们的特定任务(即NAND或和和)，但这就违背了学习网络的意义。
浏览 1提问于2013-08-05得票数 1
回答已采纳
1回答
我使用sklearn.neural_networks MLPRegressor
我明白吗，通过选择hidden_layer_sizes=(1, )，我创建了一个感知器，因为第一个“隐藏层”只不过是从输入层学习的神经元而已？
浏览 13提问于2017-09-28得票数 1
回答已采纳
感知器可以接受实值作为输入，还是只接受0和1？我很困惑，因为感知器的输出是0或1，所以我认为输入应该是二进制的。
浏览 2提问于2018-09-22得票数 0
1回答
使用感知学习，我真的对初始化和更新权重感到困惑。如果我有一个包含两个输入x0和x1的样本数据，并且我有80行这两个输入，因此80x2矩阵。
我需要初始化权重为80x2的矩阵，还是只有两个值w0和w1？感知器学习的最终目标是找到适合所有80个输入样本行的2个权重w0和w1吗？
我有以下代码，我的错误永远不会达到0，尽管迭代次数高达10,000次。
x=input matrix of 80x2
y=output matrix of 80x1
n = number of iterations
w=[0.1,0.1]
learningRate = 0.1
for i in range(n):
浏览 14提问于2019-11-13得票数 0
回答已采纳
我搞不懂为什么具有多类别分类的感知器(例如，具有三个输入和两个输出单元(没有隐藏层))不能用于解决XOR问题？这是真的吗？
此外，我使用sigmoid激活函数实现了一个具有三个输入单元和一个输出单元的感知器，它似乎学习了XOR函数。但文献似乎说，这是不可能的。我是不是遗漏了什么？
浏览 0提问于2015-07-09得票数 1
1回答
布尔函数的决策树与神经网络
、、、、
哪一种结构在表现力方面更强大(即它可以准确地表示给定的布尔函数)， - 是单层感知器还是两层决策树？(有10个功能)
浏览 0提问于2018-08-27得票数 4
1回答
什么是训练
、、
我是一个深入学习的新手，我有一个简单的问题。
我在读一些关于神经网络的文章。它说人们创造了一个简单的神经网络叫做感知器。这个网络不能解决一个非常简单的问题:排他性或。
我认为这是因为我不知道如何训练一个神经网络，也不知道如何为一个神经网络设定权重。
你能用这个例子和：0 & 0 = 0 1 & 0 = 0 0 & 1 = 0 1 & 1 = 1描述一下感知器的训练过程吗？
通过这样的训练，感知器的重量看起来如何？
浏览 0提问于2017-11-29得票数 0
回答已采纳
3回答
我一直听说XOR问题不能用单层感知器(不使用隐藏层)来解决，因为它不是线性可分的。据我所知，没有线性函数可以将类分开。
但是，如果我们使用像sin()或cos()这样的非单调激活函数，情况仍然是这样吗？我想这些类型的函数也许能够将它们分开。
浏览 3提问于2015-05-23得票数 3
我的机器学习教科书提出了这个问题，讨论了感知器算法，但我真的想不出一个令人满意的答案。
有哪些案例？
浏览 1提问于2012-09-29得票数 0
我正在尝试制作一个简单的感知器来执行逻辑与，但我不知道如何解决0输入问题。
weight+=error*learning_rate*input
另外，当输入为0时，无论误差是什么，权重都不会改变。
还有一个问题，一般来说，当训练感知器时，我可以重复两个集合的示例(假设一个对应0，一个对应1)，或者它们需要不同吗？
浏览 0提问于2013-04-10得票数 0
回答已采纳
考虑一下感知器，其中w_0=1和w_1=1：
📷
现在，假设我们使用一个激活函数
f(x)=1,~for~x=1
~~~~~~~~~~~~~0, otherwise
然后将输出概述如下：
x_0~~~~~x_1~~~~~w_0*x_0 + w_1*x1~~~~~f(.)
0~~~~~~~0~~~~~~~~~~~~~~0~~~~~~~~~~~~~~~~~~~~~~~~~~~~0
0~~~~~~~1~~~~~~~~~~~~~~1~~~~~~~~~~~~~~~~~~~~~~~~~~~~1
1~~~~~~~0~~~~~~~~~~~~~~1~~~~~~~~~~~~~~~~~~~~~
浏览 0提问于2018-12-09得票数 0
2回答
在我们介绍乙状结肠神经元(具有乙状结肠激活功能的神经元)之前，本网站给出了一些数学上的阐述，即关于感知器。
它从感知器开始，然后进入乙状结肠神经元。一切都很好，但我似乎无法证明第二个问题“西格莫德神经元模拟感知器，第二部分”在本章后面。我很难相信你可以用一个偏差和权重不变的乙状结肠神经元网络取代一个感知器网络(这里可以很容易地构造一个反例:取第三层的权重17，-6，-3，其中b= -3，w= {17，-6}在w.x +b >= 0中，对于{1，0，0}(包括偏置x_0)，感知器网络可以给出0，而乙状结肠网络可以给出1)。
有人能帮我说出我错过了什么或者我哪里出错了吗？谢谢。
浏览 4提问于2014-11-28得票数 4
回答已采纳
1回答
我有一个有监督的学习问题，在这个问题中，我的算法将被提供一组训练示例，用于学习形状是否为正方形。我想知道哪种类型的ANN是最好的。我知道如果数据是线性可分的，你可以选择感知器。当然，我可以很容易地有一个超平面来划分我的正方形和圆圈？那么感知器不是一个足够好的选择吗？然而，多层前馈网络不是更常用吗？什么是自然的选择?为什么？
下图显示了提供给系统的训练数据。NN需要将二维数据A=a1、a2分类为正方形和圆形。
谢谢。
浏览 3提问于2011-04-22得票数 7
回答已采纳
1回答
在阅读感知器更新规则时，我遇到了两个不同的公式。
$1. w(t+1) = w(t) + y(t)x(t) (Yasher's Learning from Data)$
$2. w(t+1) = w(t) + \alpha(d-y(t))x(t)$
为什么有两种不同的形式？
我不太明白为什么这条规则有效？我怎样才能证明它有效？
浏览 5提问于2015-06-05得票数 1
我正在学习感知器和神经网络。我知道感知器只能对线性可分的数据进行分类。这是否意味着他们只能在二维空间中对数据进行分类？任何见解都会受到赞赏。
浏览 0提问于2019-02-05得票数 0
回答已采纳
1回答
我是一个计算机科学研究生项目的学生。昨天我们做了一个关于神经网络的讲座。我想我理解了感知器在神经网络中的特定部分，只有一个例外。我已经对感知器中的偏见进行了研究，但我仍然没有理解。到目前为止，我知道，有了偏差，我可以操纵输入的和在一个感知中的权重，以评估和减去一个特定的偏差大于激活函数阈值-如果函数应该激发(Sigmoid)。但是在我的教授的演讲幻灯片上，他提到了这样的事情：
这种偏差被添加到感知器中，以避免所有输入都等于零的问题--没有乘法权会产生影响。
我不知道这句话背后的意思是什么，为什么它很重要，所有加权输入的和不能等于零？如果所有输入等于零，那么下一个隐藏层的下一个感知就不会
浏览 0提问于2018-07-25得票数 1
2回答
关于感知器的几个问题
、、、
我正在学习一些ML，我脑子里有一些疑问，尤其是关于感知器的问题。举个例子，我问：
我们可以看到b的偏差和w的权重作为我们的线性分离器的系数，对吗？这是有效的，只有当我们在2D，其中线性分隔符是一条线？
我们的目标是创建一条线，以便准确地将数据点划分为我们的培训数据，对吗？也就是说，在学习阶段结束时，算法“发现”了这条线(如果我们是2D的话)，它最好地将两种点分开。这是因为训练数据中有正确的标签y，并且算法能够找到真实标记和预测标记之间的距离。
因此，进入测试阶段，测试点没有标签，所以在我的想法中，感知器只识别测试点是否在返回线的上方或下方。这就导致了分类？
也有人使用这个。
是否与
浏览 4提问于2017-09-06得票数 0
2回答
我正在使用scikit类Perceptron提供的非常基本的线性分类器：
clf = linear_model.Perceptron(n_iter=12)
clf.fit(X,Y)
我有一个X数组，其中行是实例，列是二进制特性。我的类有一个Y数组。我的数据有三类。我有两个问题:1)感知器算法需要一个偏差项。科学感知器是如何处理偏见的？我应该在我的输入X数据中添加一个“偏差列”(所有的)吗？或者，scikit感知器功能是否会自动向X数组(输入)添加带有功能的偏倚？或者是分别处理偏差?2)如何为我的感知器找出训练误差？
浏览 4提问于2014-10-14得票数 2
回答已采纳
1回答
我的单层感知器的偏置不起作用
、、、、
区块报价
我正在制作一个单层感知器，它学习如何检测一个点是否在给定的线上或线下(它以1或-1的形式输出结果)。当直线的y截距为0且没有偏差时，它工作得很好，但是当我合并一个偏差并改变y-截距(在本例中为-150)时，偏置度持续下降超过-150，感知器无法解决它。我该怎么解决这个问题？
(不要担心JFrame和dots的细节，为了简化代码，我知道有些方法被删除了。)
主修班：
public class Runner {
ArrayList<JLabel> dots = new ArrayList<JLabel>();
JFrame frame = new JFrame
浏览 5提问于2020-07-14得票数 0
1回答
感谢你在这方面给我的任何帮助！我已经得到了简单的单层感知器的python代码，任务是修改代码，使其成为多层感知器。我对这一切仍然很陌生，但据我所知，重复的前馈和反向传播循环是创建隐藏层的原因。根据下面的代码，应该修改哪些内容来帮助创建这些隐藏层？
# Creating a numerically stable logistic s-shaped definition to call
def sigmoid(x):
x = np.clip(x, -500, 500)
if x.any()>=0:
return 1/(1 + np.exp(-x))
e
浏览 6提问于2020-08-26得票数 0
2回答
这是感知器学习模型的经典可视化，尽管我不知道它最初来自哪里。
我的问题是这个感知器有多少个神经元？我猜是N+2，N+1代表输入，另一个1代表输出。这是正确的吗？
浏览 0提问于2017-11-28得票数 0
1回答
我不明白你从两个线性感知器组合得到的方程是非线性的？
带方程的视频从两个线性感知器开始：$$e1 = 5x_1 -2x_2 -8=0 \hspace{10ex} e2 = 7x_1 - 3x_2 +1=0 $$
注:偏置单元符号在书写方程和神经网络图之间翻转。我使用的是负号，因为它将在视频的其余部分继续使用。
然后我们继续讨论将它们与各自的权重和偏差结合起来，如下所示：$$ 7e_1 + 5e_2 -6 =0$当我计算时，我得到：$$ 7e_1 + 5e_2 -6 = 0$$ $$ 7(5x_1 -2x_2 - 8) + 5 (7x_1 - 3x_2 + 1) -6=0美元$$ 35x_1 -
浏览 0提问于2018-07-27得票数 1
2回答
我正在试验单层感知器，我想我(基本上)理解了所有的东西。然而，我不理解的是，应该将校正(学习率*误差)添加到哪个权重中。在我看到的例子中，这似乎是武断的。
浏览 0提问于2011-06-26得票数 1
回答已采纳
2回答
我是机器学习的新手。我编写了这段代码，用于训练感知器，以便使用感知器训练规则学习布尔AND函数。
感知器永远不会学习正确的权重。输入(1，-1)和(-1，1)的误差使得权重在0.7999999999999999，0.20000000000000004和0.7，0.300000000000000之间振荡，这很明显，如下所示
For input 1, -1
target output - output given = 0-1 = -1
w1 = w1 + n*(t-o)*1 = w1 - n
w2 = w2 + n*(t-o)*(-1) = w2 + n
for input -1, 1
浏览 1提问于2015-11-28得票数 1
1回答
我想知道在这种情况下，算法是如何更新biais的？
是吗
或
两者给了我不同的结果。还是我把偏见看错了？我认为每个感知器都应该有不同的偏差。
浏览 2提问于2022-02-12得票数 0
回答已采纳
1回答
在当前用于二元Logistic回归的科学知识学习文档中，存在以下成本函数的最小化：
\min_{w, c} \frac{1}{2}w^T w + C \sum_{i=1}^n \log(\exp(- y_i (X_i^T w + c)) + 1)
问题：
c术语是什么？这一点在文件中没有解释。
当使用LogisticRegression(multiclass=multinomial)时，成本函数最小化是什么？
浏览 0提问于2021-02-04得票数 0
回答已采纳
1回答
我在我的一门AI课程中看到了以下说明：
net = newp([-2 2;-2 2],2])
net.IW {1,1} = [-1 1; 3 4]
net.b{1} = [-2,3]
神经网络看起来怎么样？感知器有两个神经元？
浏览 2提问于2015-09-08得票数 1
2回答
从内存有限的流中进行感知器训练
、、、、
我想使用流数据中的随机梯度规则来训练感知器。我的内存非常有限，只能存储N$examples。 假设我的人口由点组成，如下图所示： ? 现在假设我的第一个N示例按照下面的方式出现，我可以正确地将它们归类为下一张图片中的显示： ? 现在的问题是，如果下一个N示例是这样的： ? 我已经将它们分类如下所示。问题是，由于我不能为以前的N示例训练感知器(因为我只能存储N示例，并且以前的N示例需要被丢弃)，所以对下一个N示例的训练与以前的N示例的超平面相矛盾。 如何从流数据中训练感知器？我是否需要存储所有示例，或者有其他方法？
浏览 20提问于2019-02-07得票数 2
回答已采纳
2回答
我正在使用神经网络中的径向基函数(Rbf)，使用Matlab中的"newrb“方法，一切都很好，但我希望找到一种方法，使我能够在我拥有的两个样本之间画出决策边界。例如，在感知器中，决策边界是一条带有等式WX+b=0的直线
W:权重，X:输入，b是bias.How我能从径向基函数中画出复杂的决策边界结果吗？
谢谢。哈尼·阿尔穆斯利……
浏览 8提问于2009-12-24得票数 1
据我所知，logistic回归可以表示为：
f(x) = \sigma(w \cdot x + b)
感知器可以表示为：
f(x) = \operatorname{sign} (w \cdot x + b)
logistic回归模型与感知器模型的唯一区别似乎是激活函数。
这是正确的吗？
浏览 0提问于2019-06-09得票数 4
回答已采纳
1回答
我想用scikit-learn建立一个深信度网络。正如我所知，我们应该单独训练许多受限的Boltzmann机器(RBM)。然后应该创建一个多层感知器( MLP )，其层数与( RBMs )的层数相同，而MLP的权重应该用RBMs的权重来初始化。然而，我无法找到从scikit获得RBMs权重的方法--学习的BernoulliRBM。此外，它似乎也不是一种方法，也初始化一个MLP的权重在科学工具包-学习。
有办法像我说的那样做吗？
浏览 1提问于2014-04-22得票数 0
回答已采纳
1回答
我在理解MLP和SLP之间的区别时遇到了问题。
我知道在第一种情况下，MLP有多个层(隐层)，神经元得到一个非线性激活函数，就像logistic函数(梯度下降所需要的)一样。但我读到过：
如果MLP中的所有神经元都有线性激活函数，则MLP可以由一层感知器代替，这只能解决线性可分离的问题
我不明白为什么在XOR的特殊情况下，它不是线性可分的，等效的MLP是一个两层网络，每个神经元都有一个线性激活函数，就像阶跃函数。我知道分离需要两行，但在这种情况下，我不能应用以前状态的规则(用SLP替换MLP )。
xor的Mlp：
在链接图像中，神经元A、B和C具有线性激活函数(如阶跃函数)。
异或
浏览 5提问于2015-05-31得票数 1
回答已采纳
设计一个感知器，实现1、2、3、4 ....using的奇偶判断功能。我用matlab训练了一个神经网络，但它的方差很大。
我想问一下如何表示样品？
如果我直接使用1，2，3，4 5...as样本，方差会很大。换句话说，神经网络不是用来分类的。
我想问一下，是否可以使用其他函数来转换样本？
程序是这样的：
P= [0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]; % Question if I can use another form to express the sample
T= [1 0 1 0 1 0 1 0 1 0 1 0 1 0 1];
net=newp(
浏览 2提问于2011-05-27得票数 0
3回答
我试图可视化两个感知器如何收敛到两个不同的决策边界(最终用于为非线性可分数据创建分类器)。
📷
来源：https://tdb-alcorn.github.io/2017/12/17/seeing-like-a-perceptron.html
我不明白当第二个感知器具有与第一个感知器相同的输入时，它如何创建一个不同的决策边界？我知道权值可以以不同的方式初始化，但是第二个感知器会对其他东西进行分类吗？决策边界不应该最终是相同的吗？
📷
来源：https://tdb-alcorn.github.io/2017/12/17/seeing-like-a-perceptron.html
浏览 0提问于2019-02-28得票数 1
回答已采纳
1回答
神经网络提取特征
、、、、
我是神经网络新手。我在很多平台上学习了一些教程，但有一件事我不明白。
在一个简单的多层感知器中:我们有输入层，这个例子中的一个隐藏层(与输入层相同的神经元数)和一个单位的输出层。
我们在隐层中随机地在小值范围内初始化单位的权值。现在，输入层与隐藏层完全连接。因此，隐藏层中的每个单元都将接收相同的参数。他们如何从彼此身上提取不同的特征呢？
谢谢你的解释！
浏览 2提问于2016-11-29得票数 0
回答已采纳
我有一个包含三个输入变量和一个输出的数据集。例如，我希望使用具有一层的人工神经网络将目标列与输入数据相匹配。我关心的是，我能否获得一个封闭的形式或分析公式，将建模的目标与三个输入变量联系起来？请让我知道软件是否可以处理它。
浏览 1提问于2013-07-19得票数 0
我正在用3个输入(x，y，bias=1)构建一个简单的感知器。
他必须猜测给定的点(x，y)是在下还是下面的是给定的函数。
基本上，它是受的启发
一个有监督的学习模型被用来训练网络，其公式如下：
learningConst = 0.01
error = desired - neuralAnswer
new_weights[i] = old_weights[i] + error * inputs[i] * learningConst
尽管如此，在经过100000次训练测试后，即使在一个简单的函数(2x+1)上，它也会出错。
以下是代码：
import numpy as np
import mat
浏览 6提问于2016-05-14得票数 3
回答已采纳
2回答
我正在使用R的Caret包来创建最大能源需求的预测模型。我需要使用的是神经网络多层感知器，但在Caret软件包中，我发现有两种mlp方法，即"mlp“和"mlpML”。两者之间的区别是什么？
我读过一本书(Advanced R Statistical and Data Models: Analysis，Machine Learning，and Visualization)中的描述，但它仍然没有回答我的问题。
浏览 0提问于2020-05-12得票数 1
2回答
如何在weka自动测试？
、、、、
我的C#程序生成培训和测试数据。我需要在Weka GUI中使用in神经网络/多层感知器进行分类和测试。目前，我正在手动提供测试数据。
当我的C#程序生成测试数据时，这必须自动提供给weka中的多层感知器。这是一个用C#编写的Kinect应用程序。
是否有使用weka自动测试数据的解决方案？这样，我的应用程序就不需要人工干预就能工作。
提前谢谢。
浏览 2提问于2014-02-06得票数 0
回答已采纳
1回答
我看过的每一个感知器收敛性证明都隐含地使用了一个学习速率= 1。
然而，我正在使用的书(“机器学习与Python")建议使用一个小的学习速度的收敛原因，但没有提供任何证据。
有人能解释学习速度是如何影响感知器收敛的吗?在实践中，学习速度的价值应该是什么？
浏览 0提问于2018-02-16得票数 3
3回答
感知学习--最重要的特征
、、、
对于我在AI类中的一项任务，我们的任务是创建Widrow规则的感知器学习实现。我用java编写了这个实现：
以下github链接包含项目：
我现在遇到的问题不是感知器的创造。效果很好。
在该项目中，在训练感知器之后，我将一个非分类数据集应用到感知器中，然后学习每个输入向量的分类。这也很好。
我的问题是学习输入的哪一个特征是最重要的。
例如，如果每个输入向量中的特征集是颜色、汽车模型和汽车制造，那么我们需要对最重要的特征进行分类。怎样才能这样做呢？
我对此的最初理解使我相信，计算相关系数、每个输入的特征值以及生成的分类向量。然而，事实证明，这是一个错误的假设。
还有其他方法可以学习到最重要的特性
浏览 0提问于2014-02-12得票数 4
回答已采纳
我创建了一个具有典型激活函数(-1或1)的简单感知器，它似乎工作得很好。然后我读到了关于sigmoid和它在值之间更平滑转换的用法，但当我使用导数时，我总是得到0.0，这会扰乱计算。sigmoid本身很好，对于较小的数字，它的小数是小数，对于较大的数字，它又是-1或1。那么导数有什么好处？
举个我想说的例子：
double actual (-1 or 1 when using the "old" function)
double AdjustWeight(int input1,input2, expected, actual)
{
double error=expecte
浏览 3提问于2013-04-04得票数 2
回答已采纳
1回答
试图使用仅使用带有虹膜花数据集的NumPy构建多层感知器，但我仍然坚持这样做：
4节点的(112,4)). 输入层(虹膜数据集为)
我希望我的隐藏层由3个节点组成，所以理论上，正确的形状是(112,3)。
我知道每个输入都有自己的权重示例：input[0]有weight[0]等等。问题是，为了得到正确的隐藏层输出，我的随机嵌入权值应该是什么形状才能正确执行点积？
浏览 1提问于2022-07-01得票数 0
回答已采纳
1回答
我必须用Matlab实现一个单层感知器。
我面临的问题是，当我运行我的程序时，它为我提供了每一次输入的输出(它显示了4次结果)，但我想回到矩阵的第一个索引，当它到达第四个索引时，我找不到如何返回到矩阵的第一个索引。
我希望通过在每个循环中迭代矩阵来训练我的程序，使其产生与b中相同的结果。
这是我当前的代码：
a = [ 1 1
1 -1
-1 1
-1 -1 ];
b = [1
-1
-1
-1];
disp(a);
disp(b);
x = a(:,1);
disp(x);
y = a(:,2);
disp(y)
learningr
浏览 0提问于2010-11-13得票数 0
2回答
理解感知器
、、、、
我刚开始上机器学习课，我们复习了感知器。对于家庭作业，我们应该：“选择合适的二维(平面)训练和测试数据集，使用10个数据点进行训练，5个数据点进行测试。”然后我们应该编写一个程序，它将使用感知器算法并输出：
关于训练数据点是否线性可分的评论
关于测试点是否为线性可分点的评论
您最初选择的权重和常数
最终解方程(决策边界)
算法所做的权重更新总数。
在培训集上进行的迭代总数。
对训练数据和测试数据的最终错误分类错误(如果有的话)。
我已经读了好几遍我的书的第一章，我仍然有困难，充分理解知觉。
我知道如果一个点被错误分类，你会改变权重，直到不再有错误分类，我想我
浏览 2提问于2015-01-31得票数 3
回答已采纳
2回答
“简单”感知器的收敛性表明：
$$k\leqslant \左侧({R\左侧\bar{\theta} \右\\γ}}\右)^{2}$$
其中$k$是迭代次数(其中权值被更新)，$R$是样本与原点的最大距离，$\bar{θ}$是最终的权重向量，$\gamma$是从$\bar{\theta}$到样本的最小距离(=超平面的边缘)。
许多书含蓄地说，$\left \bar \bar{\theta} \right x$等于1，但为什么要将它规范化呢？
浏览 0提问于2018-02-16得票数 3
回答已采纳
我是 tensorflow的新手，我寻找了使用tensorflow实现多层感知器的例子，但我只在MNIST图像数据集上获得了示例，除了MNIST之外，还可以使用相同的优化和成本函数来建立神经网络模型，并对数字格式的数据( Means )进行训练，我可以使用tensorflow来训练自己的数据集。
有训练新数据集的例子吗？。
浏览 3提问于2018-01-17得票数 3
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
实时音视频活动推荐
腾讯云开发者
